Beiträge zum Tag #mcp

KI-Bildgeneratoren erfinden Logos – und das sieht man. Wenn ein Produkt-Hero das echte Home-Assistant- oder Firmen-Logo zeigen soll, hilft nur eins: das Logo als Referenz mitschicken. In diesem Artikel zeige ich, wie ich mein bestehendes generate_ai_image-MCP-Tool um Referenzbilder erweitert habe – wie der Code zwischen reinem Text→Bild und Bild-Input-Modus umschaltet (gpt-image-1 via images.edit, Gemini via generate_content) und welche Stolperfalle mich Tokens gekostet hat. Du brauchst Grundwissen zu Python und MCP; am Ende kannst du Logos zuverlässig in deine Heroes einfließen lassen.

KI-Agenten sind mehr als ein Chatfenster – sie nutzen Werkzeuge, steuern Systeme und erledigen echte Aufgaben. Dieser Guide bündelt meine Artikel zu einem roten Faden: vom Grundverständnis (was ist ein Agent, was ist MCP) über den praktischen Einsatz von Claude Code bis zum selbst gehosteten LLM mit Ollama. Alles aus echtem Setup – dieser Blog selbst wird von einem KI-Agenten über einen eigenen MCP-Server betrieben. Du brauchst Grundkenntnisse mit dem Terminal. Am Ende verstehst du, wie KI-Agenten funktionieren und wie du sie für eigene Projekte einsetzt.

„Agent“ ist gerade das Lieblingswort der KI-Branche – aber was unterscheidet einen Agenten eigentlich von einem Chatbot? Der Unterschied ist konkret und wichtig: Ein Chatbot antwortet, ein Agent handelt – er nutzt Werkzeuge, beobachtet das Ergebnis und macht weiter, bis die Aufgabe erledigt ist. Dieser Artikel erklärt ohne Hype, wie das funktioniert: die Agenten-Schleife, warum Werkzeuge der Schlüssel sind, welche Autonomie-Stufen es gibt und wo die Grenzen liegen. Geerdet an Tools, die ich selbst täglich nutze. Danach durchschaust du das Buzzword und kannst einschätzen, wann ein Agent wirklich Sinn ergibt.

Ein Sprachmodell wie Claude oder GPT kann beeindruckend formulieren – aber von sich aus nichts tun: keine Datei lesen, keine API aufrufen, nichts veröffentlichen. Das Model Context Protocol (MCP) schließt genau diese Lücke: Es ist ein offener Standard, über den ein LLM externe Werkzeuge und Daten ansprechen kann. Dieser Artikel erklärt ohne Buzzword-Bingo, was ein MCP-Server wirklich ist, aus welchen Bausteinen er besteht und wann sich ein eigener lohnt – konkret am Beispiel des MCP-Servers, mit dem ich diesen Blog (devmaker.net) steuere. Du brauchst nur Grundverständnis von APIs; am Ende weißt du, ob MCP für dein Projekt Sinn ergibt.

Nach jedem Deploy quittierte mein selbst gehosteter MCP-Server jeden Tool-Aufruf mit „-32602 Invalid request parameters” – obwohl die Parameter stimmten. Dieser Artikel zeigt die komplette Fehlersuche aus echtem Betrieb: warum das deprecatete SSE-Transport Container-Restarts prinzipbedingt nicht überlebt, wie man Server- von Client-Fehlern trennt, und wie der Umstieg auf stateless Streamable-HTTP das Problem dauerhaft löst – mit FastMCP und ohne Server-Push aufzugeben.

Eigene MCP-Server entwickeln klingt komplex – ist es aber nicht. Mit FastMCP und Python schreibst du Tools in Minuten, die Claude direkt aufrufen kann. Dieser Artikel zeigt den Weg vom leeren Repo bis zum produktiven Remote-Server: stdio für Claude Code lokal, HTTP/SSE mit Auth für Homelab und Production. Basis ist der devmaker-MCP-Server, der diese Website steuert – praxiserprobt, kein Beispiel-Setup.

Claude Code ist mehr als ein Terminal-Assistent: Mit dem Remote-Control-Feature wird daraus ein vollständig autonomer KI-Agent, der dauerhaft auf deinem Server läuft und von überall steuerbar ist.

Wer mehrere KI-Modelle nutzt, jongliert ständig zwischen Browser-Tabs und verschiedenen Oberflächen. LibreChat löst das: Die Open-Source-Plattform bündelt Claude, Gemini und GPT-4 in einer einzigen selbst gehosteten Oberfläche – und verbindet sie über das Model Context Protocol (MCP) mit externen Tools wie CMS-Systemen, Websuche oder Dateizugriff. Dieser Artikel erklärt die Architektur, zeigt den Unterschied zwischen Claude und Gemini im MCP-Einsatz und gibt konkrete Konfigurationsbeispiele für eigene MCP-Server.